Indian Buffet Process(印度自助餐过程)介绍

**本文为原创博客，仅供学习使用。未经允许，禁止将其复制下来上传到百度文库等平台。如有转载请注明本文博客的地址(链接)**

文章CSDN网址：http://blog.csdn.net/qy20115549/article/details/78532939

#简介
无监督学习的目的是从观测数据中，发掘潜在的结构(latent structure)。无监督学习算法的一个关键问题是如何确定潜在结构的数目，如聚类中的类的数目，变量的数目等。以聚类为例，如果能够基于数据之间的内在关系，自动学习类的数目，要比通过经验设置一个数目要好的多。

相比参数化的贝叶斯模型，非参贝叶斯有其独特的地方，也是近些年来，机器学习比较火的一种方法，如DPMM(Dirichlet process mixture model)、层次DP过程（Hierarchical Dirichlet Processes）等。DPMM和HDP模型都是假设一个数据点只能分配到一个潜在类或者簇中(each datapoint is assigned to a latent class)，即一个数据点。相反，无监督学习的一些模型中，假设一个数据点可以拥有多个特征，经典的模型有主成分分析(PCA)、因子分析（factor analysis）。从图(1)中可以看出每个数据点 $x$ 对应一个所属的类 $\theta $。 从图(2)中可以看出，每个数据点(顾客)只能被分配到一个类中(即一个顾客只能坐一张座子)，在黑白格子的图中，行代表数据点(顾客)，列代表隐特征(菜-类)，可以看出，每一个数据点，在一行中，只有一个涂黑的。

关于中餐馆过程可以参考我写的另外的博客：
http://blog.csdn.net/qy20115549/article/details/52371443
也可参考相关论文（提供一篇中文的，一篇英文的）：
Teh Y W, Jordan M I, Beal M J, et al. Sharing clusters among related groups: Hierarchical Dirichlet processes[C]//Advances in neural information processing systems. 2005: 1385-1392.

周建英, 王飞跃, 曾大军. 分层 Dirichlet 过程及其应用综述[J]. 自动化学报, 2011, 37(4): 389-407. 
<center>
![这里写图片描述](http://img.blog.csdn.net/20171114161456138?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvcXkyMDExNTU0OQ==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast)
**图(1) 左图为DPMM  右图为HDP**
</center>
<center>
![这里写图片描述](http://img.blog.csdn.net/20171114161654206?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvcXkyMDExNTU0OQ==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast)
**图(2) 中餐馆过程**
</center>

印度自助餐过程(Indian Buffet Process,IBP)是2005年提出的，其核心思想是一个数据点可用无限个二元特征表示，即数据点可以拥有多个隐性特征，且这些特征的概率和不为1。该过程定义了一个有限维行（数据点的个数）、无限维列（隐特征数目）的先验。从图3和图4中，可以看出，一个数据点可以拥有多个隐特征，形象的理解为一个自助餐馆中，一个顾客可以选择吃多个菜。

<center>
![这里写图片描述](http://img.blog.csdn.net/20171114164532412?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvcXkyMDExNTU0OQ==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast)
**图(3)  IBP过程**
</center>
<center>
![这里写图片描述](http://img.blog.csdn.net/20171114165121643?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvcXkyMDExNTU0OQ==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast)
**图(4)  IBP过程**
</center>

#隐类别模型(Latent Class Models)
在隐类别模型中，一个数据点只能属于一个类别，主要包括有限混合模型和无限混合模型。

##有限混合模型
假设有 $N$ 个数据点，有K个类，其概率生成模型可以表示如下
$$\theta | \alpha \sim Dirichlet\left(\frac{\alpha }{K},\frac{\alpha }{K},\cdots ,\frac{\alpha }{K} \right)$$

$$c_{i}|\theta \sim Discret\left ( \theta  \right )$$

<center>
![这里写图片描述](http://img.blog.csdn.net/20171114165620619?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvcXkyMDExNTU0OQ==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast)
![这里写图片描述](http://img.blog.csdn.net/20171114165634005?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvcXkyMDExNTU0OQ==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast)

![这里写图片描述](http://img.blog.csdn.net/20171114165807491?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvcXkyMDExNTU0OQ==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast)
</center>

利用多项式分布与Dirichlet共轭，有如下公式：
<center>
![这里写图片描述](http://img.blog.csdn.net/20171114171257197?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvcXkyMDExNTU0OQ==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast)
![这里写图片描述](http://img.blog.csdn.net/20171114171309172?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvcXkyMDExNTU0OQ==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast)

</center>

对隐变量$ \theta$进行积分得：
<center>
![这里写图片描述](http://img.blog.csdn.net/20171114171550018?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvcXkyMDExNTU0OQ==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast)
</center>
我们可以看到 $p\left ( c \right )$ 依旧服从Dirichlet分布。

##无限混合模型
可以参考我这篇博客：http://blog.csdn.net/qy20115549/article/details/77905679
主要介绍的是DPMM。
也可看这两篇论文：
Teh Y W, Jordan M I, Beal M J, et al. Sharing clusters among related groups: Hierarchical Dirichlet processes[C]//Advances in neural information processing systems. 2005: 1385-1392.

周建英, 王飞跃, 曾大军. 分层 Dirichlet 过程及其应用综述[J]. 自动化学报, 2011, 37(4): 389-407.

下面两个图，一个是有向图表示，一个是生成过程。
<center>
![这里写图片描述](http://img.blog.csdn.net/20171114172334828?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvcXkyMDExNTU0OQ==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast)
</center>
<center>
![这里写图片描述](http://img.blog.csdn.net/20171114172249573?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvcXkyMDExNTU0OQ==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast)
</center>
其对隐特征的抽样公式如下：
<center>
![这里写图片描述](http://img.blog.csdn.net/20171114172644554?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvcXkyMDExNTU0OQ==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast)
</center>
##中餐馆过程
中国餐馆过程是一个典型的Dirichlet过程混合模型。可以将中国餐馆过程描述如下：
1.假设一个中国餐馆中，可以有无限个桌子。

2.来吃饭的第一位顾客坐了第一张桌子。

3.对于每一位顾客，都按照下面的规则来选择桌子坐下，对于第n个顾客：
	 （3.1）顾客选择坐在已经有人的桌子上，这样的概率为
$$\frac{n_{k}}{\alpha_{0}+n-1}$$
其中，$n_{k}$ 表示第$k$个桌子上已经有的顾客数。$n-1$表示在这个顾客之前，已有的顾客总数。
	 （3.2）顾客可以选择坐在一个没有人坐的桌子上$K+1$的概率为
	 $$\frac{\alpha_{0}}{\alpha_{0}+n-1}$$

在这里，可以将顾客类比成数据，将每一张桌子类别成类。
#隐特征模型(Latent Feature Models)

#印度自助餐过程(Indian Buffet Process)
##简介
印度自助餐过程可以类比成: $N$ 个顾客（表示 $N$ 个数据）进入一个有无穷多菜品的自助餐馆进行选餐的过程，用 $1$ 表示选择了该菜，用 $0$ 表示没有选择该菜，一个用户可以选择多个菜，直到其餐盘满了。

在印度自助餐过程中，
（1）：$N$ 个顾客，一个接着一个进入餐馆，餐馆中的自助菜品排成一排供顾客选择。第一个顾客从左至右开始选择$K_{1}$ 个菜品，其中：
$$K_{1}\sim Poisson\left(\alpha  \right)$$

（2）:对于第二个顾客及后面的顾客则存在两种情况：
（2.1）对于已被选择的菜品，该顾客按照选择该菜品的人数成正比的概率选择该菜品，即$\frac{m_{k}}{i}$ ，其中 $m_{k}$ 表示选择第 $k$ 个菜品的人数 。
（2.2）或者选择 $K_{i}$ 个从未被其他顾客选择的菜品，其中：
$$K_{i}\sim Poisson\left(\frac{\alpha }{i}  \right)$$

如下图所示：当 $\alpha =10$ 的情况。

![这里写图片描述](http://img.blog.csdn.net/20171114194040714?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvcXkyMDExNTU0OQ==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast)

##Gibbs Sampling
<center>
![这里写图片描述](http://img.blog.csdn.net/20171114194545488?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvcXkyMDExNTU0OQ==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast)
</center>
当 $K\rightarrow \infty $ 时，得：
<center>
![这里写图片描述](http://img.blog.csdn.net/20171114194458426?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvcXkyMDExNTU0OQ==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast)
</center>

由贝叶斯公式可得后验为：

<center>
![这里写图片描述](http://img.blog.csdn.net/20171114194517819?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvcXkyMDExNTU0OQ==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast)
</center>
公式中的p\left ( X|Z \right )为数据似然，计算时，要根据数据的分布。

参考文献：
Teh Y W, Jordan M I, Beal M J, et al. Sharing clusters among related groups: Hierarchical Dirichlet processes[C]//Advances in neural information processing systems. 2005: 1385-1392.

Griffiths T L, Ghahramani Z. The indian buffet process: An introduction and review[J]. Journal of Machine Learning Research, 2011, 12(Apr): 1185-1224.

Ghahramani Z. The Indian Buffet Process[J].

朱军, 胡文波. 贝叶斯机器学习前沿进展综述[J]. 计算机研究与发展, 2015, 52(1): 16-26.

Indian Buffet Process(印度自助餐过程)介绍

欢迎大家关注DataLearner官方微信，接受最新的AI技术推送

相关博客

最热博客